Вашата памет е препълнена. Експеримент показва, че мозъкът изтрива „старите файлове“, когато научавате нови неща

Мозъците ни и изкуственият интелект се объркват по отношение на знанията по едни и същи закони – ново проучване показва защо „забравяме“ старото, когато научаваме новото.

Ново изследване на психолози и специалисти по изкуствен интелект от Оксфорд показва, че хората и изкуствените невронни мрежи учат по много изненадващо сходни начини: предишните знания могат както да помогнат за овладяването на нови задачи, така и да го затруднят. Нещо повече, учените са идентифицирали два забележимо различни типа обучаващи се хора, условно наречени „обединители“ и „разделители“.

В класическата психология отдавна е познат ефектът на интерференцията: когато научим нещо ново, ни става по-трудно да си припомним по-рано научената информация. Подобно явление се наблюдава и при изкуствените невронни мрежи (ANNs): там то е известно като „катастрофално забравяне“, когато модел, обучен на нова задача, започва да се справя по-зле със старата и сякаш „научава“ предишните си умения.

Съществува и обратната ситуация – трансфер (предаване) на знания, когато вече научени правила или умения помагат за по-бързото решаване на нова задача. Хората, например, научават по-лесно нов език, ако той е подобен на този, който вече знаят. Същото се случва и с невронните мрежи: вече оформените вътрешни представи могат да ускорят ученето, ако новата задача прилича на предишната.

Екип от Оксфордския университет сравни как хората и невронните мрежи се учат да решават задачи въз основа на ясни логически правила. Това са прости инструкции като „натисни един клавиш, ако формата е синя, и друг, ако е червена“ или „подреди обектите по форма“. Задачите са били подредени в последователност А-В-А: първо участниците са научили едно правило (А), след това са преминали към друго правило (Б), а после са се върнали към първоначалното правило (А).

Оказва се, че както хората, така и невронните мрежи се справят по-добре с втората задача, когато тя е подобна на първата: те активно използват вече научени модели. Но това „ускорено“ учене си има цена: при връщане към първоначалната задача А много хора изпитват забележима интерференция – старите правила се запомнят по-зле, защото новите частично са ги „презаписали“. В невронните мрежи това е пряко свързано с повторното използване на вече формирани представи: те помагат за бързото научаване на подобна задача Б, но в същото време частично заличават следите от задача А.

Най-интригуващото е, че хората показват два различни стила на учене. Някои участници демонстрират едновременно силен трансфер и силна интерференция: те лесно овладяват сходните задачи, но когато се връщат към първите правила, е по-вероятно да се объркат. Други, напротив, показват слаб трансфер и слаба интерференция: за тях е по-трудно да използват предишния си опит в новата задача, но те запазват по-добре старите си знания.

Изследователите условно нарекоха тези групи „обединители“ (lumpers) и „разединители“ (splitters). „Лумперите“ са склонни да изграждат по-общи, припокриващи се репрезентации – и трансферът при тях работи по-добре, но стабилността на старите знания страда повече. „Сплитърите“ (splitters) предпочитат да държат различните задачи „в отделни папки“: това намалява риска от объркване и забравяне, но също така предотвратява бонуса от сходството на задачите.

Учените са възпроизвели подобен ефект в невронните мрежи, като са ги обучавали в различни режими. В така наречения „богат“ (rich) режим мрежите формирали по-общи и припокриващи се вътрешни представи – подобно на „обединителите“ сред хората. За разлика от тях, в „мързеливия“ (lazy) режим невронните мрежи създавали по-разделни структури, подобно на стратегията на „разединителите“. Това означава, че разликите между стиловете на учене на хората са намерили пряк отзвук в начина, по който може да се персонализира обучението на ИИ.

Като цяло работата показва: когато учим нещо последователно, и хората, и алгоритмите се сблъскват с едни и същи фундаментални ограничения. Предишните знания могат да ускорят научаването на нови задачи, но също така увеличават риска от забравяне на старите – единственият въпрос е как точно тези знания са организирани в системата. Авторите смятат, че разбирането на тези общи принципи ще помогне както за разработването на изкуствени невронни мрежи, така и за по-доброто разбиране на причините, поради които някои хора по-лесно прехвърлят знанията си между задачите, докато други са по-добри в запаметяването на вече наученото.